8 相关与回归分析PPT.pptVIP

四、多元线性回归模型的预测 点预测值 预测的残差 可证明 用 代替 则 构造 t 统计量 给定显著性水平 ,可得临界值 在置信度为 的预测区间为 - 五、复相关系数和偏相关系数 复相关系数： 度量一个变量与其他若干个变量联合线性联系程度 在数值上: 多重可决系数的平方根等于复相关系数 偏相关系数: 对于相互联系的多个变量，当控制其他变量保持不变的条件下，度量其中两个变量之间线性相关程度的指标称为偏相关系数。 偏相关系数与简单相关系数的内在联系 可以证明： （以三个变量为例） 8.4 非线性相关与回归分析 一、非线性回归的函数形式与估计方法 二、非线性相关指数 一、非线性回归的函数形式与估计方法 常用的可以转换为线性的非线性函数形式 幂函数 参数度量了变量Y对变量X的弹性，即X的单位百分比 变动引起Y变动的百分比 对数函数 参数说明当变量X每变动一个百分点，引起因变量Y 绝对量的变动量 非线性回归的函数形式（续） 指数函数 如 可转换为线性函数 双曲函数 多项式函数 注意：各种函数参数的经济意义不同 共同特点: 虽然对于变量而言都是非线性的，但对 于参数而言却是线性的 可以转换为线性回归去估计其参数。 二、非线性相关指数 非线性相关指数: 度量非线性相关程度 非线性相关指数就是非线性回归的可决系数 ， 或者用非线性可决系数 的平方根 表示： 非线性相关指数的性质 或R的值越接近于1，表明变量间的非线性相关程度越高； 反之， 或R的值越接近于0，表明变量间的非线性相关程度越弱。 2004年中央财经大学统计学考研题 西安交大2006年应用统计学考研题 本章小结 1. 各种变量相互之间的依存关系： 确定性的函数关系 、不确定性的相关关系 2. 变量间的相关关系的程度用相关系数去度量 3. 现代意义的回归是关于一个变量对另一个或另外多个变量依存关系的研究 。回归分析的目的是要用样本回归函数去估计总体回归函数。 4. 线性回归的各项基本假定 5. 简单线性回归和多元线性回归的最小二乘估计 6. 可决系数或修正的可决系数去度量回归的拟合优度 本章小结（续） 7. 各个回归系数显著性的t检验或P值检验 8. 回归方程的显著性检验：在方差分析基础上的F检验 9. 利用估计的线性回归模型对因变量作点预测和区间预测 10. 度量多个变量相关关系的复相关系数和偏相关系数 11. 常用的可以转换为线性回归的非线性函数：幂函数、对数函数、指数函数、双曲函数、多项式函数等 12. 非线性相关指数就是非线性回归的可决系数，或者用非线性可决系数的平方根表示。 13. 应用Excel去实现 相关分析和回归分析的实际计算和图形描绘 (一) 拟合优度的度量 基本思想：样本回归直线是对样本数据的一种拟合，不同估计方法可拟合出不同的回归线。样本回归拟合优度的度量建立在对因变量总离差平方和分解的基础上 总离差平方和 回归平方和 残差平方和 可决系数（判定系数）定义： 变差 因变量 y 的取值是不同的，y 取值的这种波动称为变差。变差来源于两个方面： 由于自变量 x 的取值不同造成的 除 x 以外的其他因素(如x对y的非线性影响、测量误差等)的影响 对一个具体的观测值来说，变差的大小可以通过该实际观测值与其均值之差 来表示。 误差的分解(图示) x y y ? 误差平方和的分解 (三个平方和的关系) TSS = RSS + ESS 总平方和 (TSS) { 回归平方和 (RSS) 残差平方和 (ESS) { { 误差平方和的分解 (三个平方和的意义) 总平方和(SST—total sum of squares) 反映因变量的 n 个观察值与其均值的总误差 回归平方和(SSR—sum of squares of regression) 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和 残差平方和(SSE—sum of squares of error) 反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 可决系数r2 1、回归平方